Forschungsfel­der

Die Professur für Big Data Analytics in Transportation hat mehrere Forschungsschwerpunkte.

Anmerkung: Diese Seiten befinden sich momentan im Aufbau und sind daher (noch) unvollständig.

Algorithmisierung

In diesem Forschungsgebiet untersuchen wir die Interaktion zwischen Algorithmen und ihre Auswirkungen auf die Gesellschaft. In diesem Sinne sind wir an der Beantwortung von Fragen zu den folgenden drei Themen interessiert:

• Wie werden (künstlich intelligente) Algorithmen in der sozialen Interaktion eingesetzt und wie wirken sie sich aus?
• Wie reagieren Gesellschaften (einschließlich der allgemeinen Öffentlichkeit und der politischen und sozialen Eliten) auf den offenen und verdeckten Einfluss von Algorithmen und algorithmischer Steuerung/Management?
• Wie können die individuellen, sozialen [und oder gesellschaftlichen], wirtschaftlichen und politischen Auswirkungen von Algorithmen reguliert werden?

Diese Forschung ist Teil des Topical Program on Algorithmization and Social Interaction, das von Forschenden der Universität Münster (Deutschland) geleitet wird.

Automated Algorithm Selection

In vielen Optimierungsproblemen, einschließlich des maschinellen Lernens, gibt es eine Menge an vielversprechenden Verfahren, jedoch hängt das am besten geeignete Verfahren meist von der zugrundeliegenden Probleminstanz ab.
Mehr dazu hier: Automated Algorithm Selection

Big Data Analytics

Bei fast allen unseren Projekten stützen wir uns auf datengesteuerte Verfahren, die uns helfen, wertvolle Informationen aus einer Vielzahl von (heterogenen) Datenquellen zu extrahieren. Dabei sind die betrachteten Datenquellen sehr vielfältig: ausgehend von klassischen Tabellendaten (wie man sie oft aus Excel-Tabellen kennt), gefolgt von Graphen und Bildern, bis hin zu raum- und zeitabhängigen Daten, sowie Datenströmen.
Um den diversen Datentypen in angemessener Form zu begegnen, bedienen wir uns an einer Vielfalt geeigneter Methoden und Algorithmen. Diese reichen von hocheffizienten Methoden zur Daten(vor)verarbeitung über statistische und/oder visuelle Methoden zur informativen Datenexploration, bis hin zum Einsatz von statistischen und/oder maschinellen Lernmethoden (inkl. Deep Learning Neural Networks) zur Bestimmung von Mustern innerhalb der Daten.

Benchmarking

Benchmarking stellt eine wichtige Vorgehensweise zum besseren Verständnis der Stärken und Schwächen von Algorithmen, zur Untersuchung der Ähnlichkeiten zwischen künstlichen und realen Problemen, sowie zur Untersuchung der Wechselwirkungen zwischen den Probleminstanzen und den darauf ausgeführten Algorithmen.
Dieser Forschungszweig umfasst u.a. Themen wie die (statistische und/oder visuelle) Charakterisierung von Probleminstanzen, die Erzeugung von Testproblemen, die Ausführung und den Vergleich zahlreicher Algorithmen, sowie die (qualitative und quantitative) Beurteilung von Algorithmen usw.
Mehr dazu hier:  Benchmarking Network

Evolutionary Computation

In praktischen Anwendungen können deterministische Optimierungsverfahren sehr ineffizient sein (z.B. weil die zugrundeliegenden Annahmen nicht erfüllt werden können oder es sich bei dem zu optimierenden Problem um eine Blackbox handelt). In solchen Fällen kann der Einsatz randomisierter Suchheuristiken (wie der CMA-ES) von Vorteil sein.
In diesem Forschungsgebiet sind wir u.a. an der Erforschung folgender Probleme interessiert:

• ein besseres Verständnis der Stärken und Schwächen verschiedener Algorithmen(klassen), 
• herauszufinden, wie Algorithmen effektiv (in einer performanteren Metaheuristik) hybridisiert werden können, oder 
• wie bestimmte Komponenten der Suchheuristik effizient an das jeweilige Problem angepasst werden können.

Exploratory Landscape Analysis

Mehr dazu hier: Exploratory Landscape Analysis

Hochdimensionales Maschinelles Lernen und/oder Optimieren

Da hochdimensionale Probleme kaum visualisierbar sind, werden Algorithmen in der Regel auf Basis niedrigdimensionaler Probleme konzipiert. Anschließend werden sie auf hochdimensionalen Problemen ausgeführt, in der Hoffnung, dass sich ihr (Such- bzw. Entscheidungs-)Verhalten entsprechend transferieren lässt.
Hier untersuchen wir, ob diese Annahme tatsächlich zutrifft bzw. wie sich hochdimensionale Probleme von niedrigdimensionalen unterscheiden. Außerdem erforschen wir, wie hochdimensionale Probleme effizient auf niedrigdimensionale Probleme reduziert werden können, ohne dass dabei relevante Informationen verloren gehen.

Maschinelles Lernen

Im Kontext des maschinellen Lernens (ML) sind wir an einer Vielzahl von Themen interessiert, die entweder dazu beitragen, die Mechanismen der zugrunde liegenden Algorithmen besser zu verstehen, oder die deren Verwendung in praktischen Anwendungen erleichtern.
Daher sind wir insbesondere an den folgenden Teilbereichen des maschinellen Lernens interessiert:

• automatisiertes maschinelles Lernen (AutoML, automated machine learning)
• interpretierbares maschinelles Lernen (IML, interpretable machine learning)
• gezielte Angriffe (adversarial attacks), und insbesondere wie man die Robustheit von Algorithmen gegen solche Angriffe verbessern kann
• Unsicherheit in algorithmischen Entscheidungen (und dadurch auch das Vertrauen in deren Modelle)
• Kombination von ML und Optimierung:
  • automatisierte Algorithmenauswahl (automated algorithm selection)
    → Verwendung von ML zur Verbesserung von Optimierungsverfahren, oder
  • (Hyper-)Parameter Optimierung 
    → Verwendung von Optimierung zur Erzeugung besserer ML-Modelle

Mehrkriterielle Optimierung

Mehr dazu hier: Mehrkriterielle Optimierung

Routenoptimierung

Mehr dazu hier:  Routenoptimierung